陰艷超，張萬達，廖偉智，牛紅偉

(1.昆明理工大學 機電工程學院,云南 昆明 650550; 2.電子科技大學 機械與電氣工程學院,四川 成都 611731;3.北京理工大學 機械與車輛學院,北京 100081)

0 引言

《國務院關于加快科技服務業(yè)發(fā)展的若干意見》明確提出了重點發(fā)展研究開發(fā)、技術轉移、檢驗檢測認證、創(chuàng)業(yè)孵化、知識產(chǎn)權、科技咨詢、科技金融、科學技術普及等專業(yè)科技服務和綜合科技服務[1]。《意見》的頒布使我國成為世界上第一個對科技服務業(yè)進行系統(tǒng)研究的國家。然而，我國科技資源及其分布復雜多樣且科技服務系統(tǒng)眾多，科技服務系統(tǒng)與系統(tǒng)外部的實體經(jīng)濟產(chǎn)業(yè)之間、科技服務系統(tǒng)內(nèi)部之間的組成與關系十分復雜，需要在分布于各地各行業(yè)的巨大科技資源中搜索、分析、匹配和調度科技資源，形成科學合理的解決方案。科技服務活動的實時動態(tài)性和執(zhí)行時間的隨機性遠比預期的復雜，作為科技服務活動本身自發(fā)形成的不確定性很難用傳統(tǒng)調度理論和方法解決，而是要綜合考慮科技服務調度過程中需求、服務、資源和效能之間的相互耦合和影響[2-3]。

調度問題是分布式科技資源按需服務的核心問題之一。與傳統(tǒng)的科技資源檢索服務相比，分布式科技資源按需服務在服務任務、服務過程、科技資源和服務效能等方面都存在較大差異。從科技資源服務任務來看，服務任務由實體經(jīng)濟產(chǎn)業(yè)的服務需求驅動，并隨服務需求的動態(tài)拓展、轉移和組合，在服務主體和實體產(chǎn)業(yè)客體交互過程中不斷更新和完善；從服務過程來看，科技資源云服務是一種按用戶需求定制的服務模式，其調度問題不再是簡單的檢索與資源匹配，而是要考慮服務過程的柔性與動態(tài)組合性；從科技資源本身來看，復雜多態(tài)的科技資源分布于全國各地、各行業(yè)和各單位等不同地理位置的異構系統(tǒng)中，跨企業(yè)的資源調度需要考慮不同企業(yè)資源服務能力、響應速度和負載能力問題；從服務效能看，資源的優(yōu)化調度過程不僅需要考慮影響和制約科技資源服務能力以及效能最大化的成本和效率等基本因素，還需要考慮其服務于實體產(chǎn)業(yè)的及時性與均衡性等重要要素。因此，科技資源按需服務的動態(tài)性、不確定性和協(xié)同性使解決其分布式環(huán)境下的調度問題更加困難。

目前,針對科技資源服務，國內(nèi)外學者大多針對高校圖書館和情報機構如何提供文獻查新、文獻檢索和知識推送等資源服務的視角展開研究[4]。對資源調度的研究主要集中在云計算資源[5]、網(wǎng)絡資源[6]和云制造資源[7]的調度，其中云計算資源調度的研究主要集中在調度算法方面，如粒子群優(yōu)化算法[8]、遺傳算法[9]、模擬退火算法[10]等智能啟發(fā)式調度算法，然而該類方法對實際因素考慮不足，算法搜索效率偏低，無法應對大規(guī)模資源調度問題。針對云制造資源調度，LIU等[11]嘗試引入博弈論，并考慮服務、物流和服務能力等動態(tài)因素，根據(jù)工作量和重要程度對調度任務進行排序。文獻[12]研究了基于能耗的調度優(yōu)化方法，文獻[13]提出制造服務組合調度策略和算法。上述研究較少考慮科技資源調度的并發(fā)服務訪問不確定和分配不均衡兩個重要影響因素，而且上述方法雖然研究資源調度，但大都不是面向科技服務業(yè)，無法針對實體產(chǎn)業(yè)科技服務需求，在分布式科技服務環(huán)境下按需調度、共享和利用科技資源。

本文針對科技資源服務過程響應速度低，按需服務實體產(chǎn)業(yè)分配不均衡的問題，搭建了考慮分布式科技資源服務并發(fā)服務訪問不確定性和資源分配不均衡性的多服務任務優(yōu)化調度模型，通過重構粒子表達式完成粒子群搜索空間到優(yōu)化調度方案的映射，通過引入多種群協(xié)同交互搜索機制和異步并行策略，提高知識服務過程響應能力，優(yōu)化知識服務系統(tǒng)性能，為解決科技資源多服務任務調度問題提供了一種新的方法和技術手段。

1 分布式科技資源服務調度問題分析

科技資源服務的調度按照資源類型不同分為計算資源調度和科技資源調度兩大類。科技服務平臺中計算資源位于云平臺的計算中心，主要為上層科技資源的管控和運行提供底層的計算和存儲環(huán)境，是科技資源調度的基礎。換言之，科技資源服務調度是科技資源與實體產(chǎn)業(yè)科技服務任務之間的組合匹配過程，調度系統(tǒng)位于云端的科技服務平臺中，調度系統(tǒng)與分布于各地各行業(yè)的巨大科技資源之間通過互聯(lián)網(wǎng)進行信息交互，導致云端調度系統(tǒng)難以對分布在不同地理位置、具有不同實時狀態(tài)的科技資源發(fā)生的動態(tài)干擾和不確定事件做出及時有效的響應。因此，分布式科技資源服務調度問題的特點如下：

(1)多任務交互執(zhí)行 科技服務是一種面向需求的科技資源分布式匯聚和按需分享的服務模式，在服務業(yè)與實體產(chǎn)業(yè)深度融合的背景下，與實體產(chǎn)業(yè)科技服務任務進行調度和匹配的不再是傳統(tǒng)的科技資源，而是科技服務。因為科技服務系統(tǒng)與實體經(jīng)濟產(chǎn)業(yè)之間、科技服務系統(tǒng)內(nèi)部之間的組成與關系均很復雜，而且科技服務過程中涉及大規(guī)模異構資源的匯聚、融合，跨語言搜索、匹配和推理，所以服務需求驅動下的科技服務活動形成了多任務交互執(zhí)行協(xié)作網(wǎng)，科技服務具有較強的柔性。

(2)服務響應的不確定性 在分布式科技服務環(huán)境下，科技資源通過分布式匯聚、虛擬化封裝和服務化共享后形成科技服務，并在云端的服務云池中被統(tǒng)一管控和運行，而科技服務所映射的科技資源分布在各地/各行業(yè)/各單位資源系統(tǒng)中。因此，在分布式科技服務任務調度過程中不僅要考慮服務之間的關聯(lián)協(xié)作關系，還要考慮服務任務在分布式科技資源之間的傳輸時間。調度系統(tǒng)需要在調度過程中處理大量的服務調度并在設定好的時間內(nèi)做出響應，因此要求調度系統(tǒng)合理安排影響服務響應的并發(fā)服務訪問，在充分利用計算資源的同時保障系統(tǒng)的響應能力，按需給用戶提供適時的輸出。

(3)資源分配的不均衡性 科技服務需要圍繞實體產(chǎn)業(yè)產(chǎn)品生命周期不同階段的業(yè)務活動配置合理的科技資源，然而需求驅動下的科技資源服務活動形成多任務交互執(zhí)行協(xié)作網(wǎng)，而且一個服務活動可同時發(fā)生在多個服務任務執(zhí)行過程中，隨著任務的形成和發(fā)展而動態(tài)衍生變化，隨著實體產(chǎn)業(yè)服務需求的變化，相應的服務也需要不斷拓展、收縮和重點轉移。這些動態(tài)和不確定因素會嚴重影響服務資源分配的均衡性。

在分布式科技服務環(huán)境下，實體產(chǎn)業(yè)用戶根據(jù)自己的服務需求向科技服務平臺提交服務任務；科技服務云平臺及時解析服務任務，并根據(jù)云平臺中科技資源的狀態(tài)信息和實體產(chǎn)業(yè)科技服務任務的實時信息，調動分布式科技資源云池中的科技資源，形成最優(yōu)的服務任務執(zhí)行方案，并將其提交到平臺執(zhí)行，以完成知識服務任務調度。在整個調度過程中，多服務任務交互執(zhí)行，任務之間存在復雜的關聯(lián)協(xié)作關系，并隨著分布式科技資源池規(guī)模的動態(tài)增長，需要考慮服務任務在分布式科技資源服務的并發(fā)訪問，同時大量動態(tài)和不確定因素會嚴重影響服務調度的能力和效果，本文將在提高服務效率的同時解決科技資源并發(fā)服務訪問的不確定性以及節(jié)點負載不均衡引起的科技資源分配不合理問題。

2 科技服務優(yōu)化調度模型

2.1 分布式科技資源并發(fā)服務訪問的不確定性建模

實體產(chǎn)業(yè)用戶服務業(yè)務流程中對科技資源服務的調用關系錯綜復雜，尤其當一個資源服務被多個業(yè)務流程調用，且這些業(yè)務流程同時運行時，就會出現(xiàn)并發(fā)訪問。不同資源服務場景下，實體產(chǎn)業(yè)用戶的訪問頻率和并發(fā)概率都存在一定程度的波動和不確定性，而且科技資源服務過程中不同的服務流程訪問頻率與其業(yè)務流程的順序、選擇、并行、循環(huán)等不同結構密切相關，因此科技資源并發(fā)服務訪問的不確定性可以用并發(fā)服務訪問概率來描述，其相關數(shù)學符號及描述如表1所示。

表1 分布式科技資源并發(fā)服務訪問概率建模符號及描述

假設科技服務中心在執(zhí)行某一項服務任務時，有K項虛擬資源供L個子任務調用，且這些子任務根據(jù)服務進程在特定的節(jié)點上完成，則該服務任務執(zhí)行流程的概率為

(1)

當多服務任務交互執(zhí)行時，在資源服務調用中經(jīng)常發(fā)生并發(fā)訪問，為完成某項任務，會調用多個資源服務流程，當流程中存在選擇結構，且一個流程分支覆蓋并發(fā)訪問服務時，并發(fā)訪問服務的概率為

(2)

如果服務流程中所有選擇分支均覆蓋當前并發(fā)訪問的服務，則并發(fā)訪問服務的概率為

(3)

2.2 資源分配不均衡性建模

假設某項服務任務T={t1,t2,…,tn}需要調用n項子任務完成，能夠提供服務的分布式虛擬科技資源總數(shù)為m，這些子任務按照服務業(yè)務總流程和資源需求在不同任務環(huán)節(jié)上完成，則定義任務ti調用科技資源rj的預期完成時間為

(4)

式中：GIi為服務任務ti的總指令長度；SRj為科技資源rj被分布式調用指令的執(zhí)行速度。

定義n個不同服務任務調度m項分布在異地的虛擬資源的平均負載為：n個服務任務總指令長度與m個虛擬資源被分布式調度總指令執(zhí)行速度的商。即總服務任務完成時間為

(5)

對于上述調度方案，服務資源被調用的負載均衡度定義為

(6)

式中：Ω為總服務任務的完成時間；Ωj為調用服務資源rj的任務完成時間。可見，Π越小，該服務調度任務負載越均衡。

2.3 多目標優(yōu)化調度模型

在考慮分布式科技資源服務并發(fā)服務訪問不確定性和資源分配不均衡性問題的基礎上，搭建了包括服務效率、并發(fā)服務訪問概率和資源調用負載均衡度的多目標優(yōu)化調度數(shù)學模型。

(7)

記N項服務任務映射的科技資源集合為X={x1,x2,…,xn}，x為某一項服務子任務調用的科技資源，對于資源調度的優(yōu)化，需要在將服務效率優(yōu)化到最大的同時將并發(fā)訪問概率和負載均衡度優(yōu)化到最小，因此考慮了分布式科技資源并發(fā)服務訪問不確定性和資源分配不均衡性的多目標優(yōu)化調度數(shù)學模型為：

F(x)=(R,X)=(-Se(x),

Pt(x),Π(x))→min。

s.t.

xj∈X且x≤M;

(8)

式中：semin為符合用戶需求的最低服務效率值；ptmax為某一科技資源節(jié)點所能承受的最大并發(fā)服務訪問概率；Πmax為某一科技資源節(jié)點所能承受的最高負載均衡度。

由于-Se(x),Pt(x),Π(x)之間的數(shù)值差異很大且量綱不同，需要進行歸一化處理：

(9)

式中vi={-Se(x),Pt(x),Π(x)}。設用戶請求科技資源的服務效率、負載均衡度和并發(fā)服務訪問概率的權重分別為ωse，ωΠ，ωpt，依據(jù)層次分析法對其進行賦值，且ωse+ωΠ+ωpt=1，則在考慮用戶需求目標權重條件下的科技資源優(yōu)化調度目標函數(shù)為

F(x)=ωΠZ[Π(x)]+ωseZ[-se(x)]+ωptZ[pt(x)]。

(10)

3 基于多群落協(xié)作搜索的科技服務動態(tài) 調度算法

3.1 多群落雙向驅動進化機制

大規(guī)模任務調度問題往往涉及更多的決策變量和優(yōu)化目標，而且隨著系統(tǒng)、用戶需求和調度目標等環(huán)境的變化，其必將成為復雜的多目標優(yōu)化問題。粒子群算法可以在迭代過程中維持潛在解的種群，并根據(jù)環(huán)境變化不斷調整種群的適應度，更容易適應環(huán)境變化。因此，面對多任務調度問題的不確定性、復雜性，本文改進和拓展種群尋優(yōu)模式，提出多群落雙向驅動協(xié)作搜索算法(Multi-Community Bidirectional Drive Collaborative Search Method, M-CBDCSM)，將高維解空間劃分為低維多任務搜索子空間，引入一種由普通群落和模范群落組成的多群落交互網(wǎng)絡，建立不同搜索任務與協(xié)作種群之間的信息交互和關聯(lián)規(guī)則，并根據(jù)環(huán)境不斷優(yōu)化種群的適應度，提高算法對高維多任務變化的適應能力。在此基礎上，制定不同群落間的異步并行搜索策略，減少群落進程間的通信，通過群落間的驅動進化機制[14]實現(xiàn)高效搜索，提高算法對任務調度問題的優(yōu)化能力。多群落雙向驅動進化機制如圖1所示。

多群落雙向驅動協(xié)同進化規(guī)則如下：

規(guī)則1粒子群落內(nèi)進化規(guī)則。在多群落協(xié)同進化過程中，單個群落內(nèi)的粒子按照式(11)對速度和位置進行更新迭代優(yōu)化，并在群落內(nèi)產(chǎn)生全局最優(yōu)值，其中gbest為普通群落，Gbest為模范群落。

i=1,2,…,m，d=1,2,…,D。

(11)

式中：t為粒子搜索的迭代次數(shù)；ω為慣性權重；c1=c2=2為加速常數(shù)；r1和r2為兩個在[0，1]范圍內(nèi)變化的隨機函數(shù)。

規(guī)則2群落間的雙向驅動協(xié)同進化規(guī)則。

(1)?(r1:〈CCi,MCj〉)∈R，?gbesti=max{gbest1,gbest2,…,gbestm}，Gbestj=min{Gbest1,Gbest2,…,Gbestn}，且gbesti≥Gbestj，則gbest中粒子CCi進入Gbest，而Gbest中排在最末位的群落MCj被淘汰。同時，將模范學習因子Pn引入gbest內(nèi)部進化規(guī)則，則新迭代進化公式為：

i=1,2,…,m,d=1,2,…,D。

(12)

(2)?(r2:〈MCi,MCj〉)∈R，存在群落節(jié)點強度SMCi[14]，對任意SMCj，均滿足SMCi≥SMCj，則模范群落全局最優(yōu)值PG=Gbestj。

(3)?(r3:〈CCi,CCj〉)∈R，存在群落節(jié)點強度SCCi，對任意SCCj，均滿足SCCi≥SCCj，則普通群落全局最優(yōu)值Pg=gbesti。

3.2 科技資源多服務任務調度的編碼策略

粒子群算法是面向實數(shù)連續(xù)空間的計算模型[15-17]，難以解決屬于離散空間的任務調度問題。因此，采用二進制對粒子的速度和位置進行編碼，通過重構粒子表達式實現(xiàn)粒子群算法到離散空間、粒子搜索空間到優(yōu)化調度方案的映射。

上述算法中，定義m行n列矩陣Zmn為粒子的位置矢量矩陣，其中：行表示任一服務任務執(zhí)行時提供科技資源的情況，列表示調度過程中服務任務的分配情況，任一粒子代表調度方案某個科技服務任務調度問題的潛在解。則粒子位置的編碼為

(13)

由編碼方案知，位置矩陣Z中每一行有且只有1個元素值為1，表示科技資源X分配到服務任務R中執(zhí)行；每個科技資源可以同時被多個服務任務調用，且不能中斷任一科技服務任務的執(zhí)行。定義速度矩陣Vmn如式(13)所示，表示粒子對執(zhí)行任務分配情況的基本交換次序。

(14)

式中vij∈{0,1},vij+vji∈{0,1}。

定義算法中的加、減、乘運算為Θ，θ，⊕，?的交換操作，具體運算規(guī)則如下：

(1)A·θ·B表示在位置矩陣A與速度矩陣B中，?zij=vij?zij=vij=0，反之為1；?zij=vij+n=1?vij+n=0。

(2)AΘB表示在位置矩陣A與速度矩陣B中，?vi1,vi2,…,vin=0?vii=0，其他元素隨機取0或1。

(3)ci?B表示依據(jù)隨機數(shù)ci的對應概率值確定粒子是否與矩陣B進行Θ操作。

(4)A⊕B表示在位置矩陣A與速度矩陣B中，?zia=1,zjb=1,?vij=1?zib=1,zja=1。

根據(jù)上述交換操作規(guī)則的定義，將式(11)更新為：

i=1,2,…,m,d=1,2,…,D。

(15)

所制定的編碼方案簡單可行，符合科技資源多服務任務調度的要求，而且清晰描述了粒子種群進化空間與服務任務調度方案間的映射關系，較好地避免了粒子進化過程中的重復搜索。

3.3 基于多群落協(xié)作搜索的科技資源服務調度 優(yōu)化算法

基于多群落協(xié)作搜索算法及其編碼方案，分布式科技資源多服務任務優(yōu)化調度過程如圖2所示。具體步驟如下：

步驟1種群粒子初始化。根據(jù)3.2節(jié)所述的粒子搜索空間與任務調度方案之間的編碼策略，對n個群落進行初始化，賦予種群粒子隨機位置(資源分配方案)和速度；設定群落數(shù)、群落成員內(nèi)的粒子迭代次數(shù)、粒子加速系數(shù)和慣性權重系數(shù)。

步驟3將各群落分別運行于q個進程中進行異步并行進化運算。

步驟4計算各群落適應值Fi，并根據(jù)判定閾值將所有群落劃分為模范群落和普通群落兩類。

步驟5根據(jù)3.1節(jié)不同粒子種群間的交互進化機制，按照式(15)更新群落中粒子的位置和速度，并將模范和普通群落的全局最優(yōu)位置保存到最優(yōu)存儲區(qū)。

步驟6若所有粒子種群均滿足搜索終止條件，則算法結束，從全局最優(yōu)存儲區(qū)中獲取全局最優(yōu)解，輸出最優(yōu)調度方案，否則轉步驟5。

4 應用案例與分析

本文以科技服務平臺中針對汽車發(fā)動機故障維修進行科技服務為例，對所提科技資源服務調度算法進行實驗驗證。如圖3所示，該平臺上汽車發(fā)動機維護維修服務包括“發(fā)動機零部件三維模型展示”“發(fā)動機拆裝路徑規(guī)劃”“發(fā)動機維護維修培訓”“發(fā)動機故障識別與維修”等多個服務業(yè)務，每個業(yè)務活動需要通過服務任務調用相關手冊、標準、維修方法、故障類型、工藝規(guī)范、工具、參數(shù)、程序、仿真分析模型和經(jīng)驗案例等分布異構的多領域科技資源，為實體產(chǎn)業(yè)用戶服務提供按需服務。因此，面向汽車發(fā)動機維護維修任務的科技資源服務調度可以抽象為：某項汽車發(fā)動機維修任務通過云平臺申請?zhí)峁┛萍假Y源服務，該項維修任務又分為n個子任務，而服務平臺有m個科技資源可以提供服務，如何將這n項發(fā)動機維修子任務合理安排在m個科技資源上并給出調度順序，使其包含服務效率、并發(fā)訪問概率和資源調用負載均衡度的調度目標達到最優(yōu)。

針對科技資源服務平臺中的發(fā)動機故障維修服務任務，將其細分為故障原因分析、維修資源匹配、維修資源推送、維修效果評價4項服務子任務，仿真實驗中需要4個節(jié)點，粒子的維度應為4。假設能夠向節(jié)點提供科技資源服務的I/O點數(shù)有100個，則在多服務任務調度過程中可采集服務效率、并發(fā)服務訪問概率和負載均衡度等指標作為樣本數(shù)據(jù)，由數(shù)據(jù)庫查得本資源集合中服務效率、并發(fā)訪問概率、負載均衡度的值，限于篇幅，不對樣本數(shù)據(jù)進行列舉。

本次實驗種群規(guī)模均設置為100，維數(shù)為4，迭代次數(shù)為200，慣性權重w=1.1，加速常數(shù)c1=c2=2，所有仿真實驗均進行500次并取其平均值，具體編碼設置如下：

(1)編碼設置

定義調度算法粒子個體的位置矢量為矩陣Z1004，如圖4所示。其中第i行表示科技資源zi的服務情況，第j列表示維修服務任務Rj的分配情況；若zij=1，則表示科技資源zi為維修任務Rj提供資源服務。此時，每個粒子表示一個資源服務任務調度方案。

(2)調度算法性能分析

科技資源服務平臺通過調度引擎獲取各個子任務所需的科技資源，為驗證所提服務任務調度方法的有效性，采用MATLAB在基于Xeon E5-2609V2處理器和RAM64G的浪潮英信服務器上進行仿真實驗，并采集多服務任務調度過程中的服務效率、并發(fā)服務訪問概率和負載均衡度等作為樣本數(shù)據(jù)。實驗時，取服務效率ωse、并發(fā)概率ωΠ、負載度權重ωpt分別為：0.8，0.05，0.15；0.4，0.3，0.3；0.25，0.1，0.65。為了驗證所提方法的有效性，采用文獻[18]的改進混合遺傳算法(Modified Hybrid Genetic Algorithm, MHGA)、文獻[19]中的離散粒子群優(yōu)化(Discrete Particle Swarm Optimization, DPSO)的任務調度算法和本文提出的M-CBDCSM算法，求解發(fā)動機故障識別與維修服務任務的最優(yōu)調度方案，實驗結果如圖5所示。

由圖5可知，在分布式科技資源多服務任務調度過程中，M-CBDCSM算法能夠較好地適應并發(fā)服務訪問概率的隨機變化，在搜索過程中自適應選擇粒子群落之間的交互進化規(guī)則；同時，隨著群落個數(shù)的增加，M-CBDCSM算法能較其余兩種算法相對快速且穩(wěn)定地收斂到全局最優(yōu)值。相對于DPSO算法，M-CBDCSM算法在不同搜索工況下均能于50代前找到最優(yōu)調度方案，其收斂速度和精度優(yōu)勢明顯；MHGA算法在面對動態(tài)隨機的多任務調度時，由于難以自適應地進行個體變異操作和交叉操作，進而無法追蹤資源服務調度的動態(tài)環(huán)境，造成在高隨機搜索工況下難以避免早熟現(xiàn)象，其算法性能遠低于M-CBDCSM算法。

為了進一步驗證算法的執(zhí)行效率，體現(xiàn)大規(guī)模種群面對復雜調度環(huán)境時強大的適應能力，選定種群規(guī)模為1 000，分別對不同數(shù)量的資源服務任務調度問題進行仿真實驗，仿真結果如表2所示。可見，隨著服務任務的增加，在調度求解過程中，M-CBDCSM算法的收斂速度并未出現(xiàn)大幅度降低的現(xiàn)象，特別是當服務任務數(shù)量由4增長為25時，該算法的收斂速度僅下降了20%，可見在采用大規(guī)模種群時，面對任務規(guī)模動態(tài)變化的服務調度問題，M-CBDCSM算法可以通過雙向驅動進化機制協(xié)調多個群落進行協(xié)同搜索，以較快的收斂速度持續(xù)高效地完成調度優(yōu)化。

表2 不同任務規(guī)模對比實驗結果(n=0,t=200)

綜合圖5和表2的實驗數(shù)據(jù)可知，本文所提的M-CBDCSM算法可根據(jù)資源服務調度過程中的環(huán)境變化，自適應選擇和重組粒子群落之間的交互進化機制，以增強不同種群的多樣性，從而提高算法對搜索環(huán)境的適應能力和求解精度。由仿真結果可知，本文方法可有效解決科技資源服務調度過程中并發(fā)服務訪問不確定性和資源分配不均衡性，在解決分布式環(huán)境下的科技資源多服務任務調度問題上的性能明顯優(yōu)于其他對比算法。

5 結束語

針對科技資源服務過程中的并發(fā)服務訪問不確定性高，按需服務實體產(chǎn)業(yè)分配不均衡的問題，本文提出一種考慮資源服務并發(fā)服務訪問不確定性和資源分配不均衡的啟發(fā)式任務調度方法，得到如下主要結論：

(1)本文構建的多服務任務優(yōu)化調度數(shù)學模型能夠滿足高效率和高利用率的科技資源分配需求。

(2)本文設計的M-CBDCSM算法制定了優(yōu)化算法映射到離散數(shù)據(jù)空間的編碼規(guī)則，實現(xiàn)了普通群落和模范群落間雙向驅動的協(xié)同交互搜索，增強了算法對動態(tài)隨機調度任務的適應能力。

(3)采用算例驗證本文所提模型和算法，結果表明本文方法克服了現(xiàn)有算法搜索效率偏低、很少考慮并發(fā)服務訪問不確定和分配不均衡性方面的局限性，在解決科技資源與實體產(chǎn)業(yè)服務請求之間的動態(tài)資源匹配調度具有一定優(yōu)勢。

今后將進一步考慮調度過程中科技資源服務用戶的需求與偏好特征，研究相應的動態(tài)調度快速響應策略，使其更加高效準確地解決多服務任務的資源調度問題。